Hakbang 1: Pag-install ng Python
Dapat na naka-install ang Python sa isang gumaganang computer bago magpatuloy dahil ito ay isang kinakailangan para sa pagsulat ng code sa MLflow. I-install ang pinakabagong bersyon ng Python sa laptop o computer sa pamamagitan ng pag-download nito mula sa opisyal na website. Bago simulan ang pag-install, maingat na basahin ang mga tagubilin. Tiyaking magdagdag ng Python sa PATH ng system sa panahon ng pag-install.
I-verify ang Pag-install ng Python
Upang matiyak na matagumpay na na-install ang Python sa personal na computer, buksan ang command prompt (sa Windows) o terminal (sa Linux), ipasok ang Python command, at pindutin ang 'Enter' na buton. Pagkatapos ng matagumpay na pagpapatupad ng command, ipinapakita ng operating system ang bersyon ng Python sa terminal window. Sa sumusunod na halimbawa, ang bersyon ng Python 3.11.1 ay naka-install sa tinukoy na computer tulad ng ipinapakita sa sumusunod na snippet:
Hakbang 2: Mag-set Up ng Virtual Environment
Ang paggawa ng isang virtual na kapaligiran upang paghiwalayin ang mga dependency ng MLflow mula sa mga personal na pakete ng Python sa buong system ay isang mahusay na diskarte. Bagama't hindi kinakailangan, mahigpit na ipinapayo ang pagse-set up ng pribadong virtual na kapaligiran para sa MLflow. Upang gawin ito, buksan ang command line at pumunta sa direktoryo ng proyekto na gusto mong gawin. Upang mag-navigate sa Direktoryo ng Python na nasa loob ng folder na 'Work' sa D drive habang gumagamit kami ng Windows. Upang bumuo ng isang virtual na kapaligiran, isagawa ang kasunod na utos:
python –m venv MLFlow-ENV
Ang nabanggit na command ay gumagamit ng Python at tinatanggap ang -m (Make) switch upang lumikha ng isang virtual na kapaligiran sa kasalukuyang direktoryo. Ang 'venv' ay tumutukoy sa virtual na kapaligiran, at ang pangalan ng kapaligiran ay sinusundan ng 'MLFlow-ENV' sa halimbawang ito. Ang virtual na kapaligiran ay nilikha gamit ang command na ito tulad ng ibinigay sa sumusunod na snippet:
Kung matagumpay na nalikha ang virtual na kapaligiran, maaari naming suriin ang 'Working directory' upang maobserbahan na ang naunang binanggit na command ay gumawa ng folder na 'MLFlow-ENV' na mayroong tatlong karagdagang direktoryo na may mga sumusunod na pangalan:
- Isama
- Lib
- Mga script
Pagkatapos gamitin ang nabanggit na utos, narito ang hitsura ng istraktura ng direktoryo ng folder ng Python - gumawa ito ng isang virtual na kapaligiran tulad ng nakalista sa mga sumusunod:
Hakbang 3: I-activate ang Virtual Environment
Sa hakbang na ito, ina-activate namin ang virtual na kapaligiran sa tulong ng isang batch file na matatagpuan sa loob ng folder na 'Mga Script'. Ang sumusunod na screenshot ay nagpapakita na ang virtual na kapaligiran ay gumagana pagkatapos ng matagumpay na pag-activate:
Hakbang 4: Pag-install ng MLflow
Ngayon, oras na upang i-install ang MLflow. Pagkatapos i-activate ang virtual na kapaligiran (kung pinili mong lumikha ng isa), i-install ang MLflow gamit ang pip command gaya ng sumusunod:
pip install mlflowIpinapakita ng sumusunod na snippet na ang pag-install ng MLflow ay nagda-download ng mga kinakailangang file mula sa internet at ini-install ang mga ito sa virtual na kapaligiran:
Magtatagal ang MLflow, depende sa bilis ng internet. Ipinapakita ng sumusunod na screen ang matagumpay na pagkumpleto ng pag-install ng MLflow.
Ang huling linya ng snippet ay nagpapahiwatig na ang pinakabagong bersyon ng pip ay available na ngayon; nasa end-user kung mag-update ng pip o hindi. Ang bersyon ng naka-install na pip ay ipinapakita sa pulang kulay '22.3.1'. Dahil ina-upgrade namin ang pip sa 23.2.1 na bersyon, ilagay ang sumusunod na nakalistang command upang makumpleto ang pag-update:
sawa. exe –m pip install --upgrade pipIpinapakita ng sumusunod na screen ang matagumpay na pag-upgrade ng pip sa pinakabagong bersyon ng 23.2.1:
Hakbang 5: Kumpirmahin ang Pag-install ng MLflow
Ang pag-verify sa pag-install ng MLflow ay ang pangwakas ngunit mahalagang hakbang. Oras na para kumpirmahin kung matagumpay o hindi ang pag-install ng MLflow. Upang suriin ang bersyon ng MLflow na kasalukuyang naka-install sa PC, patakbuhin ang sumusunod na ibinigay na command:
mlflow --bersyonIpinapakita ng sumusunod na snippet na ang 2.5.0 na bersyon ng MLflow ay naka-install sa gumaganang makina:
Hakbang 6: Simulan ang MLflow Server (Opsyonal na Hakbang)
Patakbuhin ang kasunod na command upang ilunsad ang MLflow server upang maging available ang web user interface:
server ng mlflowAng sumusunod na screen ay nagpapakita na ang server ay tumatakbo sa localhost (127.0.0.1) at port 5000:
Ang server ay gagana bilang default sa http://localhost:5000. To access the Web Interface for MLflow, browse this URL in the web browser application. The server runs on port number 5000. The “Experiments and Models” menu tabs are present in the MLflow web interface. Similarly, two other links—GitHub and Docs—are on the left side. Click the plus (+) na icon sa tabi ng 'Mga Eksperimento' upang magdagdag ng mga karagdagang eksperimento gamit ang web interface. Narito ang isang screenshot ng web UI ng MLflow server:
Paano Baguhin ang Server Port
Ang MLflow server ay karaniwang gumagana sa port 5000. Ang port ay maaaring ilipat sa gustong numero, bagaman. Sundin ang mga tagubiling ito para ilunsad ang MLflow server sa isang partikular na port:
Buksan ang Command Prompt, PowerShell, o Terminal Window.
Pindutin ang Windows key mula sa keyboard. Pagkatapos, pindutin ang 'cmd' o 'powershell' at bitawan ang key.
I-on ang virtual na kapaligiran kung saan naka-install ang MLflow (ipagpalagay na ginawa ito).
Palitan ang PORT_NUMBER ng gustong port number kapag sinimulan ang MLflow server:
mlflow server –port PORT_NUMBER
Patakbuhin, ang mlflow-server-7000 bilang isang demo para ilunsad ang MLflow server sa kinakailangang port:
mlflow server --port 7000Ngayon, ang itinalagang port ay gagamitin ng MLflow server sa pamamagitan ng paglulunsad ng web browser app at pag-input ng sumusunod na URL upang ma-access ang Mlflow web UI. Palitan ang PORT_NUMBER ng compulsory port number:
http://localhost:PORT_NUMBER
Ang port na pinili sa naunang hakbang ay dapat palitan para sa “PORT_NUMBER” (halimbawa: http://localhost:7000 ).
Hakbang 7: Itigil ang MLflow Server
Kapag ginagamit ang MLflow para i-log ang mga parameter, subaybayan ang mga eksperimento, at suriin ang mga resulta gamit ang web UI, tandaan na kailangang gumana ang MLflow server.
Upang ihinto ang MLflow server execution, pindutin ang “Ctrl + C” sa Command Prompt o PowerShell kung saan tumatakbo ang server. Narito ang screen na nagpapakita na ang pagtatrabaho ng server ay matagumpay na nahinto.
Konklusyon
Sa MLflow, mapapamahalaan ng end-user ang maraming proyekto sa pag-aaral ng makina na may matatag at simpleng framework na nagbibigay-daan sa pagsubaybay at pagkumpara ng mga eksperimento, pagkopya ng mga resulta, at matagumpay na makipagtulungan sa mga miyembro ng koponan upang tumutok sa paggawa at pagpapabuti ng mga modelo ng machine learning habang pinapanatiling nakabalangkas at nauulit ang mga eksperimento sa tulong ng MLflow.